CDXLSTM: 利用扩展长短期记忆网络提升遥感变化检测性能
计算机视觉与模式识别
2025-04-18 v3 机器学习
图像与视频处理
摘要
在复杂场景和多样条件下，有效整合时空上下文对于准确识别变化至关重要。然而，当前的遥感变化检测方法在性能和效率之间缺乏平衡考量。卷积神经网络缺乏全局上下文，Transformer计算成本高，而Mamba面临CUDA依赖和局部相关性损失的问题。本文提出CDXLSTM，其核心组件是一个强大的基于XLSTM的特征增强层，集成了线性计算复杂度、全局上下文感知和强可解释性的优势。具体地，我们引入了一个尺度特定的特征增强层，包含为语义精确的深层特征定制的跨时间全局感知器，以及为细节丰富的浅层特征定制的跨时间空间精炼器。此外，我们提出了一个跨尺度交互融合模块，以逐步将全局变化表示与空间响应进行交互。大量实验结果表明，CDXLSTM在三个基准数据集上达到了最先进的性能，在效率和准确性之间提供了令人信服的平衡。代码可在 https://github.com/xwmaxwma/rschange 获取。
引用
@article{arxiv.2411.07863,
title = {CDXLSTM: Boosting Remote Sensing Change Detection with Extended Long Short-Term Memory},
author = {Zhenkai Wu and Xiaowen Ma and Rongrong Lian and Kai Zheng and Wei Zhang},
journal= {arXiv preprint arXiv:2411.07863},
year = {2025}
}